针对烧伤等复杂创面组织分类依赖人工、耗时且主观性强的问题，探索利用机器学习技术实现创面组织自动精准分类的方法，为烧伤创面的快速评估与治疗指导提供计算机辅助工具支持。

采用 ComplexWoundDB 数据库作为研究数据，该数据库包含 27 张临床烧伤及其他复杂创面图像，由 4 名医生完成像素级标注，涵盖肉芽组织、纤维蛋白样组织、干性坏死、血肿及非创面组织 5 类组织类型。选取朴素贝叶斯、逻辑回归、随机森林 3 种监督学习算法，基于 RGB 像素强度特征构建分类模型，通过 5 折交叉验证优化模型超参数，设置 10%-90% 不同训练集占比评估模型鲁棒性，采用 F1 分数和准确率作为性能评价指标。

随机森林算法表现最优，在训练集占比 10% 或 20% 时 F1 分数达 0.9718，且与 30%-50% 训练集占比下的性能无统计学差异；逻辑回归与随机森林性能接近，朴素贝叶斯表现稍弱。不同训练集规模对模型准确率影响较小，整体分类结果可靠，但非创面区域像素存在少量误分类情况。

机器学习技术可有效实现烧伤等复杂创面组织的自动分类，其中随机森林算法在小样本数据下仍能保持高分类性能。该研究为烧伤创面的客观化、标准化评估提供了技术参考，后续结合创面分割预处理与后处理技术，可进一步提升分类精度，为烧伤临床救治与康复监测提供更有力的支持。